机器学习之ROC曲线理解

最新推荐文章于 2025-06-01 16:59:05 发布
最新推荐文章于 2025-06-01 16:59:05 发布
阅读量6.7k 收藏 39
点赞数 6
CC 4.0 BY-SA版权
分类专栏： 机器学习 文章标签： 机器学习 ROC
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Amy_lxq/article/details/89491208
ROC曲线通过坐标（真正例率，假正例率）展示不同分类阈值下的分类效果，帮助评估学习器的性能。文章介绍了ROC曲线的计算方法，并通过实例说明了如何根据学习器的预测结果绘制ROC曲线，以此分析学习器的优劣。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

ROC曲线

1、roc曲线

曲线的坐标分别为真正例率（TPR）和假正例率（FPR），定义如下：
在这里插入图片描述
真正例的个数是实际值为正例被预测成为正例的值得个数，TPR是预测结果中真正例占实际值中正例的比例；
反正例的个数是实际值为反例被预测成为正例的值得个数，FPR是预测结果中反正例占实际值中的反例的比例；

很多学习器是为测试样本是产生一个实值或概率预测，然后将这个预测值与一个分类阈值进行比较，若大于阈值分为正类，否则为反类，因此分类过程可以看作选取一个截断点。（通常截取点为0.5，大于0.5为正例，小于0.5为负例）

选择不同的截断点对结果的影响很大，截断点的取值区间是【0,1】，如果截断点靠近1，则被判断为正例的数量会变少；如果截断点靠近0，则被判断为正例的数量会变多。x轴的取值范围为【0,1】，x点代表FPR的概率；y轴的取值范围为【0,1】，y点代表TPR的概率

不同任务中，可以选择不同截断点，若更注重”查准率”，应选择排序中靠前位置进行截断，反之若注重”查全率”，则选择靠后位置截断。因此排序本身质量的好坏，可以直接导致学习器不同泛化性能好坏，ROC曲线则是从这个角度出发来研究学习器的工具。

下图为ROC曲线示意图，因现实任务中通常利用有限个测试样例来绘制ROC图，因此应为无法产生光滑曲线，如右图所示。
在这里插入图片描述绘图举例：给定m个正例子，n个反例子，根据学习器预测结果进行排序，先把分类阈值设为最大，使得所有例子均预测为反例，此时TPR和FPR均为0，在（0，0）处标记一个点，再将分类阈值依次设为每个样例的预测值，即依次将每个例子划分为正例

最低0.47元/天 解锁文章

200万优质内容无限畅学
ROC 曲线讲解 （Receiver Operarating Curve）
以梦为马，不日抵达。
01-15 4580
概念 在信号检测理论中，接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线）是一种坐标图式的分析工具，在同一模型中设置最佳阈值。by Wikipedia ROC曲线的画法如下图所示，每个点表示不同阈值下 TP（横坐标) FP（纵坐标）的值， TP，FP的定义如下 　 　 实际值 　 　 ture 真的 false 假的 预测值 ture 真的 TP (true positive)
ROC曲线与AUC区域的理解与实践
01-11 6196
Receiver Operating Characteristic Area Under the Curve (ROC and AUC).TPR FPR Precision（精确率）: P=TPTP+FP P = \frac{TP}{TP+FP} Recall（召回率） R=TPTP+FN R =\frac{TP}{TP+FN} TPR (True Positive Rate): T
机器学习-ROC曲线​​ 和 ​​AUC指标
最新发布
weixin_48093379的博客
06-01 1062
​：医生应该设置一个阈值（比如0.6），把概率≥0.6的病人判定为“患病”，否则“健康”。ROC（Receiver Operating Characteristic，受试者工作特征曲线）是用来评估​。AUC（Area Under Curve，曲线下面积）是ROC曲线下的面积，范围在​。​：曲线越靠近左上角（TPR高，FPR低），模型越好。医生（模型）对每个病人给出一个​。​（比如“患病”或“健康”）。假设我们有10个病人，其中​。​的一种方法，特别是针对​。​（0~1之间的值）。​，计算不同阈值下的​。
ROC曲线
I'm zm
04-18 842
在维基百科中对ROC是这样描述的： 在信号检测理论中，接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线）是一种座标图式的分析工具，用于 ： (1) 选择最佳的信号侦测模型、舍弃次佳的模型。 (2) 在同一模型中设定最佳阈值。 在做决策时，ROC分析能不受成本／效益的影响，给出客观中立的建议。 举例来说，用血压
ROC曲线详解及matlab绘图实例
开飞机的小毛驴儿
03-15 4万+
有关ROC曲线的内容转自wiki：https://zh.wikipedia.org/wiki/ROC%E6%9B%B2%E7%BA%BF，版权归原作所有 在信号检测理论中，接收者操作特征曲线（receiver operating characteristic curve，或者叫ROC曲线）是一种坐标图式的分析工具，用于 (1) 选择最佳的信号侦测模型、舍弃次佳的模型。 (2) 在同一
【ROC曲线】ROC曲线易懂理解与多分类的理解
qq_45047062的博客
04-16 1万+
ROC曲线，全称Receiver Operating Characteristic Curve（受试者特征曲线）。ROC曲线由灵敏度为纵轴，（1-特异度）为横轴绘制而成。通过绘制ROC曲线可以让读者直观地看到某指标各取值对结局指标的诊断或预测能力。其中名词解释：灵敏度(sensitivity)，即敏感度，是指筛检方法能将实际有病的人正确地判定为患者的比例。特异度(specificity)，是指筛检方法能将实际无病的人正确地判定为非患者的比例。
机器学习之ROC曲线绘制
wxfu2010的博客
02-18 7390
问题 当我们在使用机器学习分类算法时，例如使用逻辑回归来对鸢尾花进行样本分类， 是否准确率为95%就代表模型非常成功呢？如何来判定我们使用模型的好坏呢？ ROC曲线 其实，这种好坏的评判标准一直都有，而且随着时代的进步不断更迭。 十几年前在《machine learning》一文中就提出了分类精确的概念来划定模型的好坏；此后，学术界又引入信息检索(IR)领域中的recall和precision进行判定。 然而，在现实中样本在不同类别上的不均衡分布(class distribution imbalance
机器学习：ROC 曲线和 AUC 指标
Wei_sx的博客
12-20 1549
ROC 曲线和 AUC 指标是评估分类模型性能的重要工具，能够帮助分析者在不同决策阈值下理解模型的效果。ROC 曲线提供了可视化的性能表示，而 AUC 则将其转换为一个单一的、易于比较的数值指标。通过这两者的结合，模型评估变得更加全面和系统。
一步一步理解机器学习的ROC曲线
算法channel
09-03 1855
你好，我是zhenguoROC曲线是评估机器学习模型分类能力最常用的一条曲线，那么你知道：ROC曲线x，y轴各代表什么含义？ROC曲线上的一个点代表什么含义？这两个问题在面试中也常会被问道，不妨抽几分钟时间理解我下面的这篇小总结。二分类混淆矩阵下面是二分类的混淆矩阵，这个不难理解，P或N代表结果，T或F代表预测对与否：基于二分类混淆矩阵，我们再来探讨关于ROC曲线上面提出的两个问题。ROC曲线x，...
机器学习中的ROC曲线理解和实战
ouzhong11的博客
10-23 7806
ROC最简单的理解，一看就懂了
roc曲线
AI_future的博客
10-14 952
登录注册写文章首页下载APP机器学习基础（1）- ROC曲线理解蘑菇轰炸机关注赞赏支持机器学习基础（1）- ROC曲线理解22018.09.09 16:14:12字数 2776阅读 8325本文用于理解ROC曲线的定义，绘制过程及其应用实现。 基本目录如下： 什么是ROC曲线？ 1.1 ROC曲线的历史 1.2 ROC曲线的定义 1.3 ROC曲线的应用场景 如何绘制ROC曲线？ 2.1 ROC...
简单粗暴理解与实现机器学习之逻辑回归（五）：ROC曲线的绘制
汪雯琦的博客
03-04 4561
逻辑回归 文章目录逻辑回归学习目标3.5 ROC曲线的绘制1 曲线绘制1.1 如果概率的序列是（1:0.9,2:0.7,3:0.8,4:0.6,5:0.5,6:0.4）。1.2 如果概率的序列是（1:0.9,2:0.8,3:0.7,4:0.6,5:0.5,6:0.4）1.3 如果概率的序列是（1:0.4,2:0.6,3:0.5,4:0.7,5:0.8,6:0.9）2 意义解释 学习目标 知道逻辑...
ROC曲线详解
热门推荐
ChasingdreamLY的博客
04-26 15万+
最近学习遇到这个概念，看了半天总算明白了这个曲线的意义。—————————————————————————————————分割线1 ROC曲线的概念受试者工作特征曲线 （receiver operating characteristic curve，简称ROC曲线），又称为 感受性曲线（sensitivity curve）。得此名的原因在于曲线上各点反映着相同的感受性，它们都是对同一 信号刺激的反应
机器学习-ROC曲线&AUC
weixin_54025765的博客
05-08 587
ROC曲线有这样一个很好的特性：当测试集中正负样本的分布变化的时候，ROC曲线能够保持不变。 一个关于AUC的很有趣的性质是，它和Wilcoxon-Mann-Witney Test是等价的。这个等价关系的证明在下面给出。而Wilcoxon-Mann-Witney Test就是测试任意给一个正类样本和一个负类样本，正类样本的score有多大的概率大于负类样本的score 如何理解呢？ 自己的理解是：观察ROC曲线图，考虑横轴（假正例率）的变换，我们知道ROC曲线的构成原理是每次更新阈值（当然阈值就直接选
机器学习系列（一）—— ROC曲线与AUC
CX330lxy的博客
10-31 630
ROC 和 AUC
ROC曲线及EER介绍
罟霖同学的站点
12-19 3458
ROC曲线、EER、AUC介绍
学习笔记18：ROC曲线和AUC值
Softdiamonds的博客
08-07 1057
在分类任务中，人们总是喜欢基于错误率来衡量分类器任务的成功程度。错误率指的是在所有测试样例中错分的样例比例。实际上，这样的度量错误掩盖了样例如何被分错的事实。在机器学习中，有一个普遍适用的称为混淆矩阵(confusion matrix)的工具，它可以帮助人们更好地了解分类中的错误。 比如有这样一个在房子周围可能发现的动物类型的预测，这个预测的三类问题的混淆矩阵如下表所示： 一个三类问题的混...
每天五分钟机器学习：如何绘制ROC曲线？
huanfeng_AI的博客
10-29 2432
ROC 曲线，即平均操作特性曲线，是一种通过对不同决策阈值下的真阳性率（True Positive Rate，TPR）和假阳性率（False Positive Rate，FPR）进行绘制而得到的曲线。它反映了一个分类器或检测系统在不同阈值下的性能表现。真阳性率（TPR）也被称为灵敏度或召回率，是指被正确分类为阳性的样本数占实际阳性样本总数的比例。假阳性率（FPR）则是指被错误分类为阳性的样本数占实际阴性样本总数的比例。通过改变决策阈值，可以得到不同的 TPR 和 FPR 值，从而绘制出 ROC 曲线。
深入理解ROC曲线的定义以及绘制ROC曲线过程，其与模型性能的关系，以及AUC
谦卑
08-11 4万+
深入理解ROC曲线的定义以及绘制ROC曲线过程，其与模型性能的关系，以及AUC 很多学习器是为测试样本产生一个实值或者是概率预测，然后将这个预测值和一个分类阈值(threshold)进行比较。若大于阈值，则为正类；反之为负类。根据这个学习器计算出来得预测值，我们可以将测试样本进行排序，“最可能”是正例的放在最前面，“最不可能”是正例的排在最后面，这样分类过程就相当于在这个排序中的某个”截断点”(cut point)将样本呢分为两类，前一部分为正例，后一部分为反例。 前面有precision和recall，可
机器学习随机森林roc曲线
02-15
### 如何使用随机森林绘制ROC曲线 为了在机器学习中利用随机森林绘制接收者操作特征（ROC）曲线，需先理解并掌握几个关键概念和技术细节。scikit-learn是一个广受欢迎的Python机器学习库，因其简单易用且功能强大而备受青睐[^2]。 #### 准备工作 确保已成功安装并能够正常导入`scikit-learn`库： ```python import sklearn print(sklearn.__version__) ``` 接着引入必要的模块来构建随机森林模型，并准备用于绘图的相关函数： ```python from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt ``` #### 构建与训练模型 创建合成的数据集作为例子展示如何实现这一过程；实际应用时应替换为真实数据集： ```python X, y = make_classification(n_samples=1000, n_features=20, n_informative=2, n_redundant=10, random_state=42) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.3, random_state=42) rfc = RandomForestClassifier(random_state=42) rfc.fit(X_train, y_train) ``` #### 绘制ROC曲线 获取预测概率值之后，可以通过计算假阳性率(False Positive Rate,FPR)和真阳性率(True Positive Rate,TPR)，进而画出ROC曲线： ```python y_score = rfc.predict_proba(X_test)[:, 1] fpr, tpr, _ = roc_curve(y_test, y_score) roc_auc = auc(fpr, tpr) plt.figure() lw = 2 plt.plot(fpr, tpr, color='darkorange', lw=lw, label='ROC curve (area = %0.2f)' % roc_auc) plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.05]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('Receiver operating characteristic example') plt.legend(loc="lower right") plt.show() ``` 这段代码展示了完整的流程，从加载数据到最终呈现ROC曲线图表，其中特别强调了随机森林分类器的应用及其性能评估方式之一—ROC曲线下面积(AUC)[^4]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值